はじめに

　初めまして，SinkCapitalインターン生の井上です．卒業論文の添削が返ってくる間に，Pytorchを触ってみようということで記事を書いていきます！

今回行ったこと

Pytorchについての軽いサーベイ
Pytorchを用いた超簡単なニューラルモデルの実装

Pytorchとは

Pytorchを使う理由

オープンソースの機械学習ライブラリ
DeepLearnignの実装が非常に簡単になる！
Numpyと類似したTensorによりデータを扱う
TensorはGPUを使用できるため，Google Colaboratoryで実装すると非常に高速な処理が可能

よく使われるモジュール

autograd Tensorの各要素による微分を自動で行う機能
optim 様々な最適化アルゴリズムを実装したモジュール
nn モデルを構築するためによく使われる層を集めたモジュール(ニューラルネットワークを構築)

Pytorchを使ってみる

前提

1.データ

sk-learnのワインデータを使います．

ワインデータの概要
ワインデータは，178個のサンプルに対する13個の説明変数と１つの目的変数から成っており，詳細は以下になります．

<説明変数>

alcohol：アルコール濃度
malic_acid：リンゴ酸
ash：灰
alcalinity_of_ash：灰のアルカリ成分
magnesium：マグネシウム
total_phenols：総フェノール類量
flavanoids：フラボノイド（ポリフェノールの一種）
nonflavanoid_phenols：非フラボノイドフェノール類
proanthocyanins：プロアントシアニジン（ポリフェノールの一種）
color_intensity：色の強さ
hue：色合い
od280/od315_of_diluted_wines：ワインの希釈度合い
proline：プロリン（アミノ酸の一種）

<目的変数>
14. ワインの品種(3種類)

データ型：(178rows×14columns)

2.行うタスク

1~13の特徴量が与えられたとき，ワインの品種を正確に分類すること

分析

データをインポートする

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_wine

wine = load_wine()
df_wine=pd.DataFrame(wine.data)
df_wine["label"]=wine.target
df_wine

ワインデータを訓練データとテストデータに分割する

import torch
from sklearn.model_selection import train_test_split

wine_data = wine.data
wine_label= wine.target
x_train, x_test, t_train, t_test = train_test_split(wine_data, wine_label)  # 25%がテスト用

# numpyからtensorに変換
x_train = torch.tensor(x_train, dtype=torch.float32)
t_train = torch.tensor(t_train, dtype=torch.int64) 
x_test = torch.tensor(x_test, dtype=torch.float32)
t_test = torch.tensor(t_test, dtype=torch.int64)

簡単なニューラルモデルを構築する．

from torch import nn

net = nn.Sequential(
    nn.Linear(13 ,8),  
    nn.ReLU(),  
    nn.Linear(8 ,4),  
    nn.ReLU(),          
    nn.Linear(4, 3)
)

構築されたモデルの概観はこのようになる．

モデルをデータに当てはめ最適化する．

from torch import optim

# 交差エントロピー誤差関数
loss_fnc = nn.CrossEntropyLoss()

# SGD
optimizer = optim.SGD(net.parameters(), lr=0.01)  # 学習率は0.01

# 損失のログ
record_loss_train = []
record_loss_test = []

# 1000エポック学習
for i in range(1000):

    # 勾配を0に
    optimizer.zero_grad()
    
    # 順伝播
    y_train = net(x_train)
    y_test = net(x_test)
    
    # 誤差を求める
    loss_train = loss_fnc(y_train, t_train)
    loss_test = loss_fnc(y_test, t_test)
    record_loss_train.append(loss_train.item())
    record_loss_test.append(loss_test.item())

    # 逆伝播（勾配を求める）
    loss_train.backward()
    
    # パラメータの更新
    optimizer.step()

    if i%100 == 0:
        print("Epoch:", i, "Loss_Train:", loss_train.item(), "Loss_Test:", loss_test.item())

結果の出力

y_test = net(x_test)
count = (y_test.argmax(1) == t_test).sum().item()
print("正解率:", str(count/len(y_test)*100) + "%")

正解率: 57.78%

なんとも微妙な結果になりました．

一般的に，ニューラルネットワークは層を増やすことで表現力が増すことが知られているので，以下のようなモデルに変更してみます．

net = nn.Sequential(
    nn.Linear(13 ,11),  
    nn.ReLU(),
    nn.Linear(11 ,8),  
    nn.ReLU(),  
    nn.Linear(8 ,7),  
    nn.ReLU(),          
    nn.Linear(7, 4),
    nn.ReLU(),
    nn.Linear(4, 3)
)

正解率: 64.44%

少し上昇したことがわかります．

感想

使ってみて感動したポイント
1.nnモジュールを使うことで，モデルの記述が直感的でとても楽！
2.optimモジュールを使うことで，最適化が一瞬でできる！

まとめ

モデルの記述が直感的で，ちょっとした工夫を思いついた時に，すぐに反映できるのはとても便利だなと感じました！CNNなどの勉強をしてPytorchで組めるともっと面白いものが作れそうだなと思いました．